MAcPNN：基于数据流中时序依赖性的互助学习
机器学习
2026-03-11 v1
摘要
物联网 (IoT) 分析常涉及对数据流应用机器学习 (ML) 模型。在此类场景下，传统 ML 范式面临与持续学习、概念漂移、时序依赖性以及避免遗忘相关的障碍。此外，在 IoT 中，不同边缘设备构建起网络。当在这些设备上构建学习模型时，连接它们可能在提高性能和复用他人知识方面非常有用。本工作提出了互助学习 (Mutual Assisted Learning) 范式，基于维果茨基的流行社会文化认知发展理论。每个设备都是自治的，不需要中央调度器。每当其因概念漂移而性能下降时，就会向他人请求帮助，并决定他人的知识是否对解决新问题有用。通过这种方式，连接数量大幅减少，与经典联邦学习方法相比，后者要求每个训练轮中都进行设备间通信。每个设备都配备一个连续渐进神经网络 (Continuous Progressive Neural Network, cPNN) 来处理数据流的动态特性。我们称此实现为互助 cPNN (MAcPNN)。为实现此目标，我们允许 cPNN 对单个数据点进行预测，并应用量化以减少内存占用。实验结果证明了 MAcPNN 在提升合成数据和真实数据流上的性能方面的有效性。
引用
@article{arxiv.2603.08972,
title = {MAcPNN: Mutual Assisted Learning on Data Streams with Temporal Dependence},
author = {Federico Giannini and Emanuele Della Valle},
journal= {arXiv preprint arXiv:2603.08972},
year = {2026}
}